AI/ML 기능 파이프라인
데이터 Distiller을 사용하면 데이터 과학자와 엔지니어가 Adobe Experience Platform에서 수집 및 선별된 고가치 고객 경험 데이터를 통해 머신 러닝 파이프라인을 보강할 수 있습니다. 모든 환경의 Python 전자 필기장에서 Experience Platform의 고객 데이터를 대화식으로 탐색하고, 데이터에서 기능을 정의 및 계산하고, 모델링을 위해 컴퓨터 학습 환경으로 계산된 기능을 읽을 수 있습니다.
IMPORTANT
이 워크플로우에는 Data Distiller 및 Adobe Experience Platform Intelligence 라이선스가 필요합니다. 이러한 제품이 없는 경우 Adobe 서비스 담당자에게 문의하십시오.
- Data Distiller의 강력한 쿼리 기능을 사용하면 Experience Platform에서 사용할 수 있는 풍부한 동작 데이터에서 의미 있는 기능을 추출할 수 있습니다. 그런 다음 Experience Platform 외부에서 대량의 이벤트 데이터를 복사할 필요 없이 증류된 기능 데이터를 머신 러닝 환경으로 가져올 수 있습니다.
- 준비된 기능 데이터 세트를 원하는 머신 러닝 툴로 읽고 엔터프라이즈 데이터에서 파생된 다른 기능과 결합하여 비즈니스에 적합한 맞춤형 모델을 교육하고, 실험하고, 튜닝하고, 배포합니다.
- 모델에서 점수, 예측 또는 권장 사항을 생성하고 그 결과를 Experience Platform에 반환하여 Real-time Customer Data Platform 및 Adobe Journey Optimizer을 통해 고객 경험을 최적화합니다.
전제 조건 prerequisites
이 워크플로우를 사용하려면 Adobe Experience Platform의 다양한 측면을 이해하고 있어야 합니다. 이 자습서를 시작하기 전에 다음 개념에 대한 설명서를 검토하십시오.
- Experience Platform API 인증 및 액세스 방법.
- 샌드박스: 특성 기반 액세스 제어 권한 및 역할을 만들고 관리하는 방법과 이러한 역할에 대해 원하는 리소스 권한을 할당하는 방법을 참조하십시오.
- 데이터 거버넌스: 데이터 세트 및 필드에 데이터 사용 레이블을 적용하여 관련 데이터 거버넌스 정책 및 액세스 제어 정책에 따라 각각을(를) 분류하는 방법.
다음 단계
이 문서를 읽은 후에는 선호하는 머신 러닝 도구를 사용하여 마케팅 사용 사례를 지원하는 사용자 정의 모델을 구축하는 중요한 개념에 대해 소개했습니다.
이 일련의 안내서에 포함된 문서에서는 Experience Platform에서 머신 러닝 환경의 사용자 지정 모델에 대한 기능 파이프라인을 만드는 기본 단계를 설명합니다. 이제 Data Distiller과 Jupyter Notebook 간의 연결을 설정할 준비가 되었습니다.
아래 링크된 설명서는 위의 인포그래픽에 표시된 단계에 해당합니다.
- 1단계: 데이터 세트 탐색 및 분석
- 2단계: 머신 러닝을 위한 엔지니어 기능
- 3단계: 기능 데이터 세트 내보내기
추가 리소스
- aepp: Python 코드에서 Data Distiller 및 기타 Experience Platform 서비스에 요청을 수행하기 위한 Adobe 관리 오픈 소스 Python 라이브러리입니다.
recommendation-more-help
ccf2b369-4031-483f-af63-a93b5ae5e3fb